Knowledge Graphs erklärt: ihre Vergangenheit, Gegenwart und Zukunft in der KI-Suche

Dieser Beitrag erklärt die Geschichte der Knowledge Graphs und wie sie Marken dabei helfen, genaue, strukturierte Antworten zu liefern, wo immer Kund*innen suchen.

Haben Sie Ihrem Smartphone schon einmal eine Frage wie: „Wer hat das Telefon erfunden?“ oder „Wo ist die nächstgelegene Pizzeria, die jetzt geöffnet hat?“ gestellt und sofort eine Antwort erhalten? Das ist einem Knowledge Graph zu verdanken. Er ist wie ein riesiges digitales Gehirn, das Computern hilft, Informationen so zu verstehen, wie Menschen es tun.

Heute werden Knowledge Graphs häufig als Teil der KI-Revolution diskutiert. Das ergibt Sinn: Sie werden verwendet, um große Sprachmodelle (LLMs) zu trainieren, Chatbots zu betreiben und Maschinen intelligenter zu machen. Und Knowledge Graphs haben die Art und Weise, wie wir Informationen finden, seit Jahren still und leise geprägt – lange bevor KI zu einem Modewort wurde.

Hier erfahren Sie, wie Knowledge Graphs entstanden sind und wie Marken sie heute nutzen können, um ihren Kund*innen stets die richtigen Antworten zu liefern.

Vor langer Zeit (genauer gesagt in den 1960er-Jahren) begannen Computer gerade erst, Informationen zu speichern und zu verarbeiten. Aber es gab ein Problem: Sie „verstanden“ diese Informationen eigentlich nicht. Stattdessen konnten sie nur exakte Wörter oder Zahlen zuordnen. Und das bedeutet, dass sie nicht gut darin waren, Beziehungen zwischen Konzepten zu erkennen. (Stellen Sie sich eine Bibliothek vor, in der alle Bücher in einem großen Stapel liegen, Sie aber einen ganz bestimmten Satz finden müssen. Ziemlich frustrierend, oder?)

In den 1970er- und 1980er-Jahren begannen Forscher*innen mit der Entwicklung von Innovationen, um Computer intelligenter zu machen. Frühe Versuche mit semantischen Netzwerken, den Vorläufern der Knowledge Graphs, ermöglichten Maschinen die Herstellung von Verbindungen zwischen Ideen. (Zum Beispiel: Der Name „Alexander Graham Bell“ wird mit der Erfindung des Telefons in Verbindung gebracht.) Dies waren die ersten Bausteine einer vernetzteren und intelligenteren Methode zur Informationsverarbeitung.

Dann wurde in den 1990er-Jahren das Internet geboren. Plötzlich gab es mehr Informationen als je zuvor, aber es war nicht einfach, das zu finden, was man brauchte. Suchmaschinen wie Yahoo und AltaVista entstanden, um Menschen dabei zu helfen, das zu finden, was sie suchten.

Allerdings hatten diese frühen Suchmaschinen einen großen Mangel: Sie verließen sich auf den einfachen Abgleich von Schlagwörtern. Wenn Sie auf Englisch nach „Apple“ suchten, erhielten Sie möglicherweise Ergebnisse für Obst, Apple-Computer oder einen zufälligen Rezept-Blogbeitrag, weil die Suchmaschine den Kontext nicht verstand.

Dies löste eine bahnbrechende Frage aus: Was wäre, wenn Suchmaschinen die Beziehungen zwischen Wörtern so verstehen könnten, wie es das menschliche Gehirn vermag? Was wäre, wenn sie erkennen könnten, dass „Erfinder von Apple“ sich auf einen Unternehmensgründer (Steve Jobs) und nicht auf das Obst bezieht. Diese Idee wurde zur Grundlage moderner Knowledge Graphs.

Im Jahr 2012 führte Google offiziell seinen Knowledge Graph ein, eine Datenbank mit Milliarden von Fakten über Personen, Orte und Dinge. Er war so strukturiert, dass Maschinen „Beziehungen zwischen Wörtern“ endlich verstehen konnten. Das war ein bahnbrechender Wendepunkt.

Nun konnte Google, anstatt nur eine Liste von Links als Antwort auf eine Suchanfrage anzuzeigen, schnelle und klare Antworten geben. Wenn Sie nach „Wer ist Beyoncé?“ suchten, konnten Sie als Antwort ihr Bild, eine kurze Biografie, ihre Alben und sogar verwandte Personen wie ihren Ehemann Jay Z sehen – alles dank eines Knowledge Graph, der diese Informationen hinter den Kulissen organisiert. So wurde im Grunde das „gehirnähnliche“ Datengerüst geschaffen, über das Informatiker*innen schon lange gesprochen hatten.

Angesichts ihrer Leistungsfähigkeit begannen andere Unternehmen schnell mit der Entwicklung ihrer eigenen Knowledge Graphs, um intelligentere Websites, Apps und Geräte zu betreiben. Die Idee war einfach, aber wirkungsvoll: Punkte zwischen Fakten zu verbinden, damit Computer Fragen auf eine Weise beantworten können, die sich natürlich anfühlt.

Alles hat zum heutigen Zustand geführt. KI-gesteuerte Sucherfahrungen (wie Gemini, ChatGPT, Meta AI und andere KI-Modelle) beschränken sich nicht nur auf das Crawlen von indizierten Webseiten.

Vielmehr greift die KI-Suche auf eine Vielzahl von Quellen zurück und liefert schnelle, fundierte und dialogorientierte Antworten auf Fragen, und Kund*innen vertrauen dem, was die KI-Suche als Ergebnis liefert.

Für Marken wie Ihre bedeutet dies: Wenn Ihre Daten nicht strukturiert und in einem Knowledge Graph zugänglich sind, könnte die KI-Suche Sie nicht finden. Angesichts der Tatsache, dass KI-gesteuerte Sucherfahrungen schnell zunehmen, stellt dies ein echtes Problem dar.

Ein Knowledge Graph stellt sicher, dass die Informationen Ihrer Marke (wie Öffnungszeiten, Dienstleistungen, Produktdetails und FAQs) so strukturiert sind, dass KI-gestützte Plattformen sie verstehen können. Das bedeutet, dass Ihre Marke dann und dort präsent ist, wenn Kund*innen Antworten benötigen.

Lassen Sie uns einen Moment über uns sprechen. Denn während der Begriff „Knowledge Graph“ immer beliebter wird, sind wir auf diesem Gebiet schon seit Jahren Profis.

Im Gegensatz zu generischen Knowledge Graphs, die möglicherweise bei der Beantwortung einfacher Wissensfragen helfen, ist der Knowledge Graph von Yext für Marken konzipiert. Es ist darauf ausgelegt, Marken dabei zu unterstützen, ihre Informationen so zu strukturieren, dass sie über Suchmaschinen, KI-Plattformen und tatsächlich jeden digitalen Berührungspunkt auffindbar sind.

Stellen Sie sich Folgendes vor: jemand fragt ChatGPT: „Ist das Hotel XYZ haustierfreundlich?“ oder „Wie lautet die Telefonnummer meiner Bank?“. Wenn diese Marke den Yext Knowledge Graph verwendet, sind ihre Informationen strukturiert und bereit, in KI-gesteuerten Antworten präzise und einheitlich angezeigt zu werden.

Außerdem passt sich der Yext Knowledge Graph an, wenn Marken wachsen und sich verändern. Er ist nicht nur eine statische Datenbank. Er ist ein dynamisches System wie ein Gehirn, das sicherstellt, dass die Informationen Ihrer Marke überall dort auf dem neuesten Stand bleiben, wo Kund*innen suchen. Es ist, als hätten Sie einen hochintelligenten Assistenten, der alles für Sie im Blick behält, damit Sie sich auf das Wesentliche konzentrieren können: Ihre Kundschaft zufriedenzustellen.

Knowledge Graphs mögen kompliziert klingen, aber bereits seit über einem Jahrzehnt tragen sie im Stillen zur Qualität der Suchergebnisse bei. Sie wurden nicht als Reaktion auf KI entwickelt. Vielmehr sind sie ein grundlegender Bestandteil dessen, was Suchalgorithmen und LLMs im letzten Jahrzehnt zur effektiven Beantwortung von Fragen in natürlicher Sprache befähigt hat.

Und jetzt, da KI die Art und Weise der Informationssuche verändert, sind Knowledge Graphs wichtiger denn je.

Knowledge Graphs unterstützen Kund*innen dabei, das nächstgelegene Café zu finden, das jetzt geöffnet ist, und gewährleisten, dass die Produktverfügbarkeit stets korrekt ist. Sie stellen sicher, dass Marken schnell die richtigen Antworten an den richtigen Stellen ausspielen können.

Möchten Sie mehr darüber erfahren, wie Sie Ihre Daten strukturieren können, damit sie in der KI-Suche angezeigt werden? Klicken Sie hier.